论文部分内容阅读
桥梁健康监测系统在长期运行中积累了大量动态数据,如何利用这些数据对桥梁动力响应进行动态预测已成为桥梁健康监测(BHM)领域亟待解决的关键科学问题之一,它可以协助并指导做出桥梁预防性养护维修决策,同时也为进一步评估桥梁动态可靠性提供理论基础。本文定义给定时间间隔内监测应力的极大值为监测极值应力,考虑到监测极值应力的耦合性(包含随机性、动态性、周期性以及非平稳性),本文采用数据同化方法(如:解耦预测方法、贝叶斯动态滤波方法以及改进的粒子滤波方法)对桥梁极值应力进行动态预测研究,具体内容包括:(1)提出了监测极值应力解耦和贝叶斯动态模型相融合的两种桥梁极值应力预测方法:1)通过移动平均法对监测信息进行解耦,并利用解耦所得分量建立对应的贝叶斯动态模型,进而融合分量预测数据实现桥梁极值应力的动态预测;2)利用经验模态法(EMD)提取监测信息的本征模函数(IMF),基于分解所得各IMF分量信息建立对应的贝叶斯动态模型,并融合实现桥梁极值应力的动态预测;最后基于实际桥梁的监测数据对两种方法进行比较。(2)提出了桥梁结构非平稳极值应力的两种贝叶斯动态非线性预测模型:1)针对带有长周期性的非线性监测数据,建立了监测极值应力的傅里叶动态非线性模型(FDNM),采用Taylor级数展开技术,将其近似转化为傅里叶动态线性模型(FDLM),进而结合Bayes方法实现对周期性桥梁极值应力的动态预测;2)对于一般非线性极值应力信息,为降低状态方程因依赖于历史信息而引起的预测误差,引入局部多项式理论,结合监测极值应力时间序列分析方法,建立贝叶斯动态局部趋势模型(BDLTM),实现了非平稳性极值应力的自适应动态预测分析。(3)提出了桥梁极值应力动态预测的两种改进粒子滤波算法:1)针对非线性、非高斯的监测信息,融合EM算法与K-MEANS算法,并嵌入到高斯混合粒子滤波器,实现对目标状态概率分布的高精度估计,进而利用改进高斯混合粒子滤波算法(IGMPF),结合应力监测数据实现桥梁极值应力的动态预测;2)基于非线性、高斯的监测信息,在重要性采样阶段,利用贝叶斯动态滤波算法产生建议分布,用于解决粒子退化问题,同时考虑到可能发生的环境突变,利用贝叶斯折扣因子增加粒子滤波的鲁棒性,最后基于改进的粒子滤波方法(IPF)实现对桥梁结构极值应力的动态预测。